[发明专利]一种基于融合多种图像生成技术的加权平均图像生成方法

说明书

本发明公开了一种基于融合多种图像生成技术的加权平均图像生成方法，收集电力系统内部巡维人员传回的巡视图像，挑选其中目标明显且目标占图像四分之三的所述巡视图像作为样本图像，多个所述样本图像构建为输电线路的图像训练数据集，用于后期网络的训练和优化使用，其次结合集成学习的原理，进行个体学习器的训练以用来作为基生成器，同时将每一个基生成器的输出作为多元生成模型的输入，然后运用主成分分析算法，对每一路的输入图像进行特征提取，最后进行图像的融合得到最终的高分辨率图像。本发明本着“1+1＞2”的原则，结合几种优异的图像生成方法，吸收各种方法的优点，集几种方法的优点于一身，使得最终的图像进一步逼真。

技术领域

本发明涉及计算机视觉与图像处理技术领域，特别涉及一种基于融合多种图像生成技术的加权平均图像生成方法。

背景技术

以南方电网公司电力系统的背景为例，研究电力系统的输电线路图像。纵观整个南方电网甚至国家电网，当下的输电线路的巡维方式主要以人工巡维和无人机巡维或者人工与无人机相结合的方式为主，巡维工作人员传回的巡维图片数据量是很庞大，如果这些照片仅仅靠人工去逐张的检查是否存在缺陷，这工作量无疑是巨大的，而且由于存在工作人员的个体差异性就难以保证效率和质量。此外，经过总结归类传回的巡维照片发现，输电线路照片中大多数为正常的没有缺陷的图像样本图像，存在缺陷的图片极少，这就导致研究人员在基于深度学习等人工智能算法对输电线路进行进一步研究的时候，存在一个正常样本图像和缺陷样本图像不均衡的问题，从而没法将AI等智能技术运用到电力行业，难以实现彻底的“互联网AI+电力行业”和“AI+电力系统”的完美结合。

近些年来，随着计算机技术软硬件方面和通信与自动化等学科领域的不断发展，在人工智能深度学习领域取得巨大突破，深度学习等技术已经和很多传统行业实现深度完美的融合并且成效显著，于是得到启发，考虑结合深度学习技术和图像处理技术，采用现在的输电线路为研究对象，利用现在研究火热的图像处理网络模型来生成输电线路中的巡维样本图像，其中主要是生成带有缺陷的样本图像，这样一来我们可以构建出属于电力系统领域的专业的正常样本图像库与缺陷样本图像库作为标准数据集，这样一来就为“AI+电力系统”提供了大数据支撑，也为后续的研究提供了数据支撑。目前，用以图像生成的人工智能算法已经很普遍，诸如传统的基于灰度插值的方法，主成分分析的方法，变分自编码器的方法，基于信息融合技术的方法，基于特征提取重建的方法，乃至近几年出现的生成对抗网络系列的方法等等，基于以上方法再进行改进的研究方法也层出不穷，但是实际需要的是让生成图像和原始真实图像无限接近，普遍存在的问题就是生成图像的质量和效果均没有达到预期。这是无监督学习领域一个待解决的研究问题。因此，如何既能高效准确地生成缺陷样本图像图像，同时保证图像的质量如分辨率等，是目前基于深度学习的应用领域中亟待解决的问题。

输电线路缺陷图像如果仅靠人员逐张收集，这样不仅效率低下，而且短时间内难以达到一定规格的数目，提出一种综合高效的图像生成方法是一个研究难点。

发明内容

本发明的目的是提供一种基于融合多种图像生成技术的加权平均图像生成方法，目的在于解决生成图像的质量问题，改善图像的生成效果。

本发明的上述技术目的是通过以下技术方案得以实现的：

所述加权平均图像生成方法的具体步骤如下：

Step1、收集电力系统内部巡维人员传回的巡视图像，挑选其中目标明显且目标占图像四分之三的所述巡视图像作为样本图像，多个所述样本图像构建为输电线路的图像训练数据集，用于后期网络的训练和优化使用；

Step2、搭建生成式对抗网络(GAN)的模型，定义卷积层的层数，卷积核的尺寸和数目，采用的损失函数和优化器，将所述图像训练数据集内的其中一个所述样本图像输入，输出picture1；

Step3、选择基于深度特征提取的图像超分辨率重建的网络模型，定义卷积层的层数，卷积核的尺寸和数目，采用的损失函数和优化器，将步骤Step2中的所述样本图像输入，输出picture2；